基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。     

基于CAE和CNN的变工况下滚动轴承智能故障诊断研究

针对变工况下滚动轴承的状态评估问题,提出了一种基于卷积神经网络(CNN)和卷积自编码(CAE)的故障诊断方法:首先将单一工况下有标签的数据和变工况下无标签的数据输入到CAE的编码器中,得到特征参数矩阵F;然后将由单一工况下数据得到的F输入到CNN轴承故障诊断模型中,得到状态类型并计算损失,将由全部数据得到的F输入到CA...     

基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。     

基于数据融合的风电变桨系统故障预警研究

随着风电机组装机容量的不断攀升,同时带来并网发电率低、机组故障率高等缺点,导致风电机组整体利用率较低。为此提出一种基于数据融合的风电变桨系统故障预警方法。首先结合SCADA系统中的运行统计信息和历史数据,采用Relief特征参数选择方法筛选出与风电变桨系统故障相关的特征参数;然后采用数据融合的方法,建立基于MSET技术的风电变桨系统故障预测模型,并采用滑动窗口法进行故障预警阈值的确定;最后以上海某风场1.5 MW双馈异步风电机组进行实例分析,结果表明该方法可提前发现风电变桨系统故障征兆,实现对风电变桨系统的早期故障预警。     

基于自编码神经网络的汽轮机故障诊断

汽轮机正常运行工况的数据比较容易采集,而故障数据的采集存在一定的困难.针对这种情况,采用自编码神经网络对汽轮机高压缸内三个级组的运行数据进行建模,用正常运行工况下的数据训练模型之后对未知工况数据进行重构分析.通过分析,重构前后压降、温差以及效率的变化情况与常见通流故障结垢、磨损、等发生时相关参数的表现,最终分析得出高压...     

一种基于区间划分的风机故障预警方法

针对大型风电机组运行工况复杂多变,仅依靠恒定温度值作为变桨装置是否预警的触发指标,容易造成不报、误报及排查时间不足等问题的现象,提出了一种基于环境温度和风速等参数进行区间划分的在线故障预警方法。首先,对各子区间依据显著性差异分析方法设定不同的预警阈值;然后,将实时数据代入相应子区间判断是否异常;最后,采用滑动窗口方式计算异常率,并结合现场经验设置异常率预警上限作为触发预警指标。经过现场验证,将该分析方法用于河北冰峰风场1.5 MW风机变桨系统故障预警。结果表明,该方法能够准确预测风机状态变化趋势,实现变桨装置故障预警,降低风电机组运行和维护成本。     

基于机器学习算法与SCADA系统的风电机组变桨系统变频器的故障预警方法研究

变桨系统是风电机组的关键设备,但由于风电机组长期处于复杂的工作环境,导致变桨系统故障成为风电机组故障中最常见的故障之一,而变桨系统变频器故障在变桨系统故障中的占比很高.基于此,提出了一种变桨系统变频器的故障预警方案,分析SCADA系统数据,将机器学习算法应用于故障预警,并将模型温度残差作为故障预警的指标;然后,针对随机...     

基于图表示学习与知识蒸馏的电缆故障快速识别方法

在牵引供电系统设备故障预警中,准确并快速识别电缆的早期故障是智能化运维的关键技术。为挖掘特征构建的深层信息和解决工程部署迭代速率问题,文章提出一种基于图表示学习和知识蒸馏的电缆故障识别方法。首先,对电缆的电流信号采样分析,将时间序列下的特征信息用图特征进行动态显示和更新,采用卷积自编码器对特征图像实现降噪重构;然后,利用基于知识蒸馏的图卷积神经网络识别算法,构建教师-学生网络故障识别模型,研究在PSCAD仿真环境中搭建电缆故障模型采集过电流扰动信号;最后,通过实验对比证明所提模型的有效性和准确性,所提模型大幅提升模型迭代速率,同时增强在噪声扰动下的鲁棒性,具有工程应用价值。     

基于批标准化的堆叠自编码网络风电机组变桨系统故障诊断

为了提高风电机组变桨系统故障诊断的准确性,提出一种基于批标准化的堆叠自编码(SAE)网络故障诊断模型.针对SAE网络在特征学习过程出现的梯度硬饱和问题,选用PReLU激活函数,在SAE网络中加入批标准化(BN)层进行优化,通过输出层的Softmax函数,得到变桨系统各部件故障发生概率.以均方误差最小化为目标,采用Ada...     

基于DBSCAN和SDAE的风电机组异常工况预警研究

提出一种基于密度的聚类方法(DBSCAN)和堆栈式降噪自编码器(SDAE)结合的风电机组性能预测及异常运行工况预警方法.首先采用DBSCAN算法对机组监控与数据采集(SCADA)系统历史运行数据进行清洗,然后利用SDAE建立风电机组的正常运行性能预测模型.基于该模型,采用时移滑动窗口方法构建能准确反映风电机组异常状态的识别指标,并根据统计学区间估计理论合理确定指标阈值,以实现异常工况预警.采用某风电机组的真实历史运行数据进行故障重演试验.结果 表明:该方法能够在故障发生前及时对风电机组的异常运行工况发出预警,验证了该方法的有效性.     

基于深度学习网络的风电机组主轴承故障检测

针对风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)变量间存在的长期动态平衡关系,提出一种基于风电机组主轴承SCADA状态监测数据逐层编码网络的深度学习方法。首先利用受限玻尔兹曼机逐层智能学习主轴承样本数据蕴含的特定规则形成抽象的表示,构建深度学习网络模型。然后将主轴承SCADA数据输入网络,并计算反映主轴承整体状态的重构误差。根据故障状态下主轴承数据内部规则被破坏,选用指数加权移动平均值(exponentially weighted moving average,EWMA)阈值检测重构误差的趋势变化,并作为判定风电机组主轴承故障的决策准则。通过对主轴承故障前后记录数据进行仿真分析,仿真结果验证逐层编码网络深度学习方法对主轴承故障检测的有效性。     

基于KF-PP分析的风电轴承故障模式识别

针对风力发电机组滚动轴承动态信号呈非正态、非线性,故障特征提取和初期故障诊断困难的问题,提出了基于核函数的投影寻踪分析故障模式识别方法。从轴承关键部位采集振动信号,经消噪预处理后,建立能够有效表述轴承运行状态的10特征指标数据空间,以基于核函数的投影寻踪方法构建故障评价体系,将待评估样本与评价体系进行对比分析,实现轴承故障的分类与识别。利用Matlab软件平台对实验数据进行仿真验证,结果表明,基于核函数的投影寻踪分析方法是一种有效的故障模式识别方法,能够实现轴承正常运行及故障类型的准确判断,具有良好的可靠性和可行性。     

基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估

为实现对风电齿轮箱健康评估、发现齿轮箱部件早期故障，提出一种基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估网络。在编码器部分，同时对传感器信息和时序信息进行编码解码并提取压缩特征，根据高斯混合模型设计基于信号本身概率分布的能量设计评价指标进行健康评估。根据核密度估计确定阈值，并利用某真实风电场数据进行实验，验证方法的有效性。     

FL1500风力发电机变桨轴承故障原因分析及改进措施

介绍FL500风力发电机电动变桨距系统的结构,阐述变桨距系统在运行中因变桨轴承故障而存在的问题.重点分析变桨轴承产生故障的3个原因,并针对这些故障给出相应的改进措施.这些措施在实际应用中减少了轴承故障,提高了风力发电机的效率,降低了经济损失.     

变转速下基于COT-MCKD-STH的风电机组轴承复合故障诊断

为诊断变转速下风电机组轴承复合故障,提出计算阶次追踪(COT)、最大相关峭度解卷积(MCKD)和自互补顶帽(STH)变换相结合的方法。首先对时域信号进行等角度重采样,利用果蝇优化算法(FOA)搜索MCKD最佳滤波长度和STH变换最佳结构元素尺度,重采样信号经解卷积处理后,利用STH对分离的单一故障源成分进行形态学解调,最终通过分析所得阶次谱判定轴承损伤。结果表明:所述方法能有效提取变转速工况下轴承复合故障特征,具有一定工程参考价值。     

基于改进的时频自适应胶囊网络轴承故障诊断方法

轴承是保障旋转机械安全运行的关键部件,传统的故障诊断方法在轴承复杂多变的运行环境中故障特征提取难且识别难度大。为此,提出了一种基于改进的时频自适应胶囊网络轴承故障诊断方法。首先,将一维原始振动信号通过EEMD-HHT特征增强方法转化为复合时频结构数据,增强非平稳信号特征的可分性;然后,改进原胶囊网络卷积层,用于自适应深度提取振动信号的时频结构特征;最后,针对卷积神经网络的平移不变性引入胶囊层,采用动态路由算法学习储存特征信息,并实现故障类型智能诊断。试验结果表明,所提方法较现有方法具有更强的故障敏感特征挖掘能力、更高的诊断精度及工况自适应能力。     

数据驱动的风电机组变桨系统状态监测

针对数据采集与监视控制(SCADA)系统存在误报、故障报警滞后等问题,提出一种基于单分类模型的风电机组变桨系统在线状态监测方法.首先,从SCADA数据中提取出与变桨系统相关的特征参数并进行特征重构以进一步提取出更值得关注的桨叶之间的差异化信息.其次,基于单分类支持向量机对历史数据的分析确定变桨系统运行数据的健康边界,进...     

基于自适应阈值的小波BP神经网络风电变桨系统故障预测

为了提高风能资源的有效利用,提高风电机组运行的可靠性、经济性和安全性,故障预测变得尤为重要。故障预测方法在判断设备隐患、制定合理的风电场运维方案方面具有重要的理论和实际意义。围绕变桨系统故障预测的问题,文章利用小波对机械信号特征敏感的优点,引入自适应阈值函数实现对小波降噪的改进,结合具有自学习能力和并行处理能力强的BP神经网络,建立了自适应阈值的小波BP神经网络故障预测模型。该模型结合了小波分析的技术特点,减少了噪声对预测模型的干扰,模型简洁、易实现。应用该网络预测模型,提前15 d对变桨系统故障预测的准确率达到了92.27%。     

大型风电机组电动变桨系统变桨角度故障诊断

为提高大型风电机组电动变桨系统变桨角度故障的判别准确性,结合模糊粗糙集特征量约简和基于粒子群算法优化的支持向量机进行变桨角度故障诊断分析研究。首先基于模糊粗糙集理论建立变桨系统特征参数约简的数学模型,通过对变桨相关运行数据进行约简,确定对故障诊断贡献率较高的参数;再利用实际运行数据训练经粒子群优化的支持向量机,从而获得高精度诊断模型;然后设计基于双层支持向量机的故障程度判别模型,可对故障进行进一步分类。最后通过实际运行数据对变桨角度故障进行诊断实验,实验结果表明,该诊断方法能准确快速地判别故障并可进行故障程度分类。